微信尝试结合时间过程与内容特征，重新定义“爆款文”？( 五 )_没有一个时代比今天更重视技术对于内容

他们收集了2018年5月-7月的6万篇微信公众号文章的热度数据，将文章热度分为 3 类：爆款（阅读量>10000），冷门（阅读量

DFTC一共包含三个部分：1.时间过程建模；2.内容特征建模；3.注意融合。

首先，采用卷积神经网络（Attention CNN）来提取文章增长和下降的短期波动情况，比如一篇文章每小时浏览量的变化情况。接着再利用循环神经网络（RNN）得出文章受欢迎程度的长期增长趋势。

然后，利用分层注意网络（HAN）来获取文本特征，使用嵌入技术来学习各种元数据的特征，并进行建模，得到一个内容特征模型。

接下来，将建好的时序模型和内容模型利用注意力机制动态地组合到一起，生成一个能够体现出文章热度演变过程多样性的灵活权重（Popularity level）。

DFTC的创新之处是，解决了三个悬而未决的行业难题：

1.如何预测意外情况带来的短期波动（Attention CNN自动学习短期波动，不做具体假设或人工设计）；

微信尝试结合时间过程与内容特征，重新定义“爆款文”？( 五 )